論文の概要: Quantum Neural Networks for a Supply Chain Logistics Application
- arxiv url: http://arxiv.org/abs/2212.00576v1
- Date: Wed, 30 Nov 2022 15:35:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2022-12-02 17:32:59.557378
- Title: Quantum Neural Networks for a Supply Chain Logistics Application
- Title（参考訳）: サプライチェーンロジスティクス応用のための量子ニューラルネットワーク
- Abstract要約: 複数のトラックと複雑な需要構造を備えたサプライチェーンロジスティクスのための車両ルーティングという,重要な問題に関する1つのハイブリッドアルゴリズムについて検討する。
量子回路を組み込んだニューラルネットワークを用いて強化学習を行う。
人間のトラックの割り当てに匹敵する結果が得られます。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Problem instances of a size suitable for practical applications are not
likely to be addressed during the noisy intermediate-scale quantum (NISQ)
period with (almost) pure quantum algorithms. Hybrid classical-quantum
algorithms have potential, however, to achieve good performance on much larger
problem instances. We investigate one such hybrid algorithm on a problem of
substantial importance: vehicle routing for supply chain logistics with
multiple trucks and complex demand structure. We use reinforcement learning
with neural networks with embedded quantum circuits. In such neural networks,
projecting high-dimensional feature vectors down to smaller vectors is
necessary to accommodate restrictions on the number of qubits of NISQ hardware.
However, we use a multi-head attention mechanism where, even in classical
machine learning, such projections are natural and desirable. We consider data
from the truck routing logistics of a company in the automotive sector, and
apply our methodology by decomposing into small teams of trucks, and we find
results comparable to human truck assignment.
- Abstract（参考訳）: 実用用途に適したサイズの問題インスタンスは、(ほぼ)純粋量子アルゴリズムを用いて、ノイズの多い中間スケール量子(NISQ)期間に対処することができない。
しかし、ハイブリッド古典量子アルゴリズムは、はるかに大きな問題インスタンスで優れたパフォーマンスを達成する可能性がある。
複数のトラックと複雑な需要構造を備えたサプライチェーンロジスティクスのための車両ルーティングという,重要な問題に関する1つのハイブリッドアルゴリズムについて検討する。
量子回路を組み込んだニューラルネットワークによる強化学習を用いる。
このようなニューラルネットワークでは、NISQハードウェアの量子ビット数を制限するために、高次元特徴ベクトルをより小さなベクトルに投影する必要がある。
しかし,従来の機械学習においても,このようなプロジェクションは自然で望ましいというマルチヘッドアテンション機構を用いている。
我々は、自動車部門における企業のトラック運行のロジスティクスからのデータを検討し、トラックの小さなチームに分解して方法論を適用し、人間のトラック配置に匹敵する結果を得る。
関連論文リスト
- A hybrid quantum-classical neural network for learning to route [36.95397691288925]
本研究では、ルーティング学習のためのハイブリッド量子古典ニューラルネットワークについて研究する。
静電容量化車両の経路問題では、エンコーダのフィードフォワード交換が最も有望な設計として現れる。
論文 参考訳（メタデータ） (2026-08-31T23:36:36Z) - Quantum Annealing Approaches to Solving the Shipment Rerouting Problems [7.888128236684232]
本稿では,NP-hardシークエンシングおよびパッケージング問題を一般化した出荷再帰問題 (SRP) について検討する。
目的は、トラックのセットを選択し、これらのトラックのルートをスケジュールし、総コストを最小化することである。
我々は、新しい数学的プログラミングの定式化と、シーケンシングとパッケージングの問題を同時に解くための新しい洞察を用いる。
論文 参考訳（メタデータ） (2025-01-09T23:47:23Z) - QNN-VRCS: A Quantum Neural Network for Vehicle Road Cooperation Systems [2.7985570786346745]
本研究は、車載道路協調システム(VRCS)を強化するために量子コンピューティング技術を統合する。
本稿では、トラフィックデータ処理の複雑さをよりよく扱うために、最適化された量子ニューラルネットワーク(QNN)を提案する。
2つのトラフィックデータセットに対する実証的な評価は、我々のモデルは97.42%と84.08%の優れた分類精度を達成していることを示している。
論文 参考訳（メタデータ） (2024-12-17T09:20:08Z) - A Quantum-Classical Collaborative Training Architecture Based on Quantum
State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。
Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。
他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文 参考訳（メタデータ） (2024-02-23T14:09:41Z) - Problem-Dependent Power of Quantum Neural Networks on Multi-Class
Classification [83.20479832949069]
量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。
本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。
我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
論文 参考訳（メタデータ） (2022-12-29T10:46:40Z) - Reinforcement Learning for Multi-Truck Vehicle Routing Problems [0.0]
我々は,複雑なサプライチェーンを実現する車両ルーティングのためのエンコーダ・デコーダモデルの新たな拡張を開発する。
私たちのモデルは、たとえ少数のトラックでのみ訓練されたとしても、大規模なサプライチェーンに組み込んで、実行可能なソリューションを実現できるかを示します。
論文 参考訳（メタデータ） (2022-11-30T15:37:53Z) - Accelerating the training of single-layer binary neural networks using
the HHL quantum algorithm [58.720142291102135]
Harrow-Hassidim-Lloyd (HHL) の量子力学的実装から有用な情報が抽出可能であることを示す。
しかし,本論文では,HHLの量子力学的実装から有用な情報を抽出し,古典的側面における解を見つける際の複雑性を低減することを目的としている。
論文 参考訳（メタデータ） (2022-10-23T11:58:05Z) - Supply Chain Logistics with Quantum and Classical Annealing Algorithms [0.0]
ノイズの多い中間スケール量子(NISQ)ハードウェアは、実用上重要なフルスケール最適化問題とほとんど互換性がない。
本研究では,サプライチェーンのロジスティクスにおいて,企業の運用規模において,実質的な商業価値,多輪車経路の問題について検討する。
我々の研究は、NASQデバイスをハイブリッド方式で応用するための車両ルーティング以外のコンテキストに適用可能な一連の技術を提供し、商業的関心事の大規模問題に応用する。
論文 参考訳（メタデータ） (2022-05-09T17:36:21Z) - Optimizing Tensor Network Contraction Using Reinforcement Learning [86.05566365115729]
本稿では,グラフニューラルネットワーク(GNN)と組み合わせた強化学習(RL)手法を提案する。
この問題は、巨大な検索スペース、重い尾の報酬分布、そして困難なクレジット割り当てのために非常に難しい。
GNNを基本方針として利用するRLエージェントが,これらの課題にどのように対処できるかを示す。
論文 参考訳（メタデータ） (2022-04-18T21:45:13Z) - Exponentially Many Local Minima in Quantum Neural Networks [9.442139459221785]
量子ニューラルネットワーク(QNN)は、古典的ニューラルネットワークと同じような約束のため、重要な量子アプリケーションである。
我々は,QNNの損失関数のランドスケープを定量的に調査し,トレーニング用に単純だが極めて難しいQNNインスタンスのクラスを同定する。
我々は、我々の構成が、典型的な勾配ベースの回路で実際に難しい事例となることを実証的に確認する。
論文 参考訳（メタデータ） (2021-10-06T03:23:44Z) - Short Quantum Circuits in Reinforcement Learning Policies for the
Vehicle Routing Problem [0.0]
従来のアテンションヘッド層の代わりに簡単な量子回路を使用でき、性能を維持できることを示す。
我々は,我々のモデルを,強化学習における量子コンピューティングの役割をさらに研究するための,スケールアップ可能なプロトタイプとみなす。
論文 参考訳（メタデータ） (2021-09-15T18:02:17Z) - Space-efficient binary optimization for variational computing [68.8204255655161]
本研究では,トラベリングセールスマン問題に必要なキュービット数を大幅に削減できることを示す。
また、量子ビット効率と回路深さ効率のモデルを円滑に補間する符号化方式を提案する。
論文 参考訳（メタデータ） (2020-09-15T18:17:27Z) - Entanglement Classification via Neural Network Quantum States [58.720142291102135]
本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。
我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
論文 参考訳（メタデータ） (2019-12-31T07:40:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。